基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測

劉祥

(中國電信股份有限公司河南分公司，河南 鄭州 450016)

0 引言

遙感可以遠(yuǎn)距離、不直接接觸目標(biāo)就可采集目標(biāo)信息，近些年，隨著傳感器技術(shù)、航天技術(shù)、通信技術(shù)的不斷發(fā)展，他們和遙感技術(shù)進(jìn)行有效融合，產(chǎn)生了大量的光學(xué)遙感圖像[1-2]。相對于普通圖像，遙感圖像具有分辨率高、信息量更大等優(yōu)點(diǎn)，在災(zāi)害預(yù)測、軍事偵探、現(xiàn)代農(nóng)業(yè)等領(lǐng)域得到了廣泛的應(yīng)用[3]。在遙感技術(shù)實際應(yīng)用中，圖像中通常具有多個目標(biāo)，如：飛機(jī)、船舶、河流、道路、汽車，不同用戶對不同的目標(biāo)感興趣，因此要進(jìn)行遙感圖像目標(biāo)檢測，提取用戶感興趣的目標(biāo)。由于遮擋、復(fù)雜背景、陰影等影響，給遙感圖像中目標(biāo)檢測帶來困難，因此設(shè)計精度高、適合性強(qiáng)的遙感圖像目標(biāo)檢測方法具有十分重要的意義[4-5]。

最初遙感圖像目標(biāo)檢測是通過人工方式實現(xiàn)的，對于數(shù)量少的遙感圖像，目標(biāo)單一的檢測問題，人工方法可獲得較好的遙感圖像目標(biāo)檢測結(jié)果；但當(dāng)前遙感圖像呈線性增加趨勢，當(dāng)前遙感圖像具有海量特點(diǎn)，同時目標(biāo)類型多，人工方式的缺陷就比較明顯了，如遙感圖像目標(biāo)檢測效率低，出現(xiàn)遙感圖像目標(biāo)檢測錯誤的概率高，同時檢測結(jié)果具有較強(qiáng)的主觀性，可信度低[6]。近些年，隨著人工智能技術(shù)的不斷發(fā)展，遙感圖像目標(biāo)檢測已經(jīng)進(jìn)入了自動化階段。最初基于專家系統(tǒng)的遙感圖像目標(biāo)檢測，該方法通常情況下要提取目標(biāo)特征，只有在理想的條件下，才能獲得較好的遙感圖像目標(biāo)檢測結(jié)果，無法應(yīng)用于復(fù)雜場景的遙感圖像目標(biāo)檢測[7]。隨后出現(xiàn)基于機(jī)器學(xué)習(xí)理論的遙感圖像目標(biāo)檢測，如輕量化網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測方法、深度深念網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測方法、支持向量機(jī)的遙感圖像目標(biāo)檢測方法等，它們獲得了較優(yōu)的遙感圖像目標(biāo)檢測結(jié)果[8-11]。在實際應(yīng)用中，當(dāng)前方法存在一定的局限性，如遙感圖像目標(biāo)檢測精度低、實時性差，復(fù)雜場景目標(biāo)檢測結(jié)果不穩(wěn)定等[12]。

為了提高遙感圖像目標(biāo)檢測精度，改善遙感圖像目標(biāo)檢測結(jié)果，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測，該方法首先對遙感圖像進(jìn)行預(yù)處理，提取目標(biāo)候選區(qū)域，然后采用卷積神神經(jīng)網(wǎng)絡(luò)設(shè)計遙感圖像目標(biāo)檢測模型，最后通過仿真對比測試驗證了本文方法的遙感圖像目標(biāo)檢測優(yōu)越性。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測方法

1.1 遙感圖像的預(yù)處理

采集遙感圖像時，受到多種因素的影響，強(qiáng)背景可能會淹沒一些弱小目標(biāo)，因此需要對原始遙感圖像進(jìn)行預(yù)處理，增強(qiáng)一些弱小目標(biāo)存在性，便于后續(xù)目標(biāo)檢測。

選擇形態(tài)學(xué)濾波法對遙感圖像進(jìn)行預(yù)處理，f表示原始遙感圖像；z表示預(yù)處理后的遙感圖像，那么形態(tài)學(xué)濾波法可以表示為式(1)。

(1)

式中，g和n分別表示遙感圖像的結(jié)構(gòu)元以及結(jié)構(gòu)元數(shù)量；ω表示權(quán)重值。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種基于卷積計算的神經(jīng)網(wǎng)絡(luò)算法，它不僅具有一般神經(jīng)網(wǎng)絡(luò)算法的特征，如：誤差反向傳播，梯度下降學(xué)習(xí)能力等，同時具有表征學(xué)習(xí)能力，使用卷積運(yùn)算進(jìn)行數(shù)據(jù)處理，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

1.3 提取遙感圖像目標(biāo)檢測特征

遙感圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行卷積操作，提取目標(biāo)特征，下采樣層對卷積結(jié)果相加，利用非線性函數(shù)得到目標(biāo)特征映射圖。

l表示卷積神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)量，卷積操作可以表示為式(2)。

(2)

式中，c表示卷積核；b表示偏置向量；Mj表示特征映射圖集合。

down表示采樣框中的像素，下采樣操作可以表示為式(3)。

(3)

式中，φ表示乘性偏置。

設(shè)tn和yn分別表示樣本的輸出和實際值，那么誤差的計算為式(4)。

(4)

誤差變化率計算為式(5)。

(5)

誤差變化率可以通過偏置體現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中，不斷更新偏置參數(shù)，使輸出和實際值之間的誤差不斷減小，當(dāng)誤差處于實際應(yīng)用的范圍內(nèi)時，就獲得了最優(yōu)的遙感圖像目標(biāo)檢測特征。

1.4 提取遙感圖像的目標(biāo)候選區(qū)

提取遙感圖像目標(biāo)檢測特征后，就采用規(guī)則方塊卷積操作提取目標(biāo)選區(qū)，規(guī)則區(qū)域R定義為式(6)。

R={(-1,-1),(-1,0),…,(0,1),(1,1)}

(6)

qn表示規(guī)則區(qū)域內(nèi)元素，目標(biāo)選區(qū)y的中心點(diǎn)為q0，那么有式(7)。

(7)

將偏移量{Vqn|n=1,2,…,N}加入形變卷積操作中，那么式(7)變?yōu)槭?8)。

(8)

(9)

(10)

其中

(11)

候選目標(biāo)區(qū)域的預(yù)測損失函數(shù)為式(12)。

(12)

式中，μm表示加權(quán)系數(shù)。

根據(jù)預(yù)測損失函數(shù)提取遙感圖像的目標(biāo)候選區(qū)。

1.4 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測

基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測步驟如下。

(1)采集遙感圖像并對遙感圖像進(jìn)行預(yù)處理，去除遙感圖像復(fù)雜背景，增強(qiáng)遙感圖像的目標(biāo)對比度。

(2)通過卷積神經(jīng)網(wǎng)絡(luò)的卷積操作提取遙感圖像目標(biāo)檢測特征，并根據(jù)預(yù)測損失函數(shù)提取遙感圖像目標(biāo)候選區(qū)域。

(3)采用卷積神經(jīng)網(wǎng)絡(luò)對遙感圖像目標(biāo)候選區(qū)域進(jìn)行學(xué)習(xí)，建立遙感圖像目標(biāo)候選區(qū)域的分類器，根據(jù)分類器實現(xiàn)遙感圖像目標(biāo)檢測。

2 仿真測試

2.1 測試對象來源

NWPU VHR-10是一種公開的遙感圖像目標(biāo)檢測數(shù)據(jù)集，包含800幅遙感圖像，遙感圖像600×800，有很多種類別的目標(biāo)，如：飛機(jī)、車輛、船只、房屋、球場、油罐、港口等，部分圖像示例如圖2所示。

圖2 NWPU VHR-10數(shù)據(jù)集的部分圖像示例

NWPU VHR-10數(shù)據(jù)集包含了正類子集和負(fù)類子集，正類子集的遙感圖像至少包含一類目標(biāo)，而負(fù)類子集的遙感圖像不包含任何類別目標(biāo)。采用Python3.6 程序設(shè)計語言編程實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測算法，選擇經(jīng)典方法進(jìn)行對比實驗，具體為：輕量化網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測方法，選擇目標(biāo)檢測的精度、漏警率、虛警率、復(fù)雜場景適應(yīng)性作為評價指標(biāo)。

2.2 遙感圖像目標(biāo)檢測精度

采用3種方法對NWPU VHR-10數(shù)據(jù)集中的遙感圖像目標(biāo)進(jìn)行檢測，檢測精度如圖3所示。

圖3 不同方法的遙感圖像目標(biāo)檢測精度

從圖3可知，卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測精度均值為94.08%，輕量化網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測精度均值為91.97%，深度信念網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測精度均值為90.00%，相對于對比方法，卷積神經(jīng)網(wǎng)絡(luò)提升了遙感圖像目標(biāo)檢測精度，降低了目標(biāo)檢測誤差。

2.3 遙感圖像目標(biāo)檢測的漏警率

計算3種方法的遙感圖像目標(biāo)檢測漏警率，具體如圖4所示。從圖4可知，相對于對比方法，卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測漏警率更低，獲得更簡便結(jié)果。

圖4 不同遙感圖像目標(biāo)檢測方法的漏警率

2.4 遙感圖像目標(biāo)檢測的虛警率

計算3種方法的遙感圖像目標(biāo)檢測虛警率，具體如圖5所示。

圖5 不同遙感圖像目標(biāo)檢測方法的虛警率

由圖5可知，卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測虛警率低于輕量化網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)，能提高目標(biāo)檢測成功率。

2.5 復(fù)雜場景的遙感圖像目標(biāo)檢測效果

設(shè)復(fù)雜場景具體為：光照、遮擋、陰影、旋轉(zhuǎn)和復(fù)雜背景，遙感圖像目標(biāo)檢測精度如表1所示。

表1 復(fù)雜場景的遙感圖像目標(biāo)檢測精度/%

從表1可以看出，對于復(fù)雜場景中的遙感圖像目標(biāo)，卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測效果同樣更優(yōu)，進(jìn)一步驗證了本文設(shè)計的遙感圖像目標(biāo)檢測方法的優(yōu)越性。

3 總結(jié)

遙感圖像目標(biāo)檢測是當(dāng)前遙感研究領(lǐng)域一個重要的方法，直接影響到遙感技術(shù)的實際應(yīng)用范圍，為了解決當(dāng)前遙感圖像目標(biāo)檢測誤差大的問題，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測的檢測方法，NWPUVHR-10數(shù)據(jù)集的仿真測試結(jié)果表明，本文方法克服當(dāng)前遙感圖像目標(biāo)檢測檢測方法存在的缺陷，是一種精度高、漏警率低的遙感圖像目標(biāo)檢測檢測方法，并且對復(fù)雜場景的遙感圖像目標(biāo)具有較強(qiáng)的適合能力，遙感圖像目標(biāo)檢測的準(zhǔn)確性要明顯優(yōu)于當(dāng)前經(jīng)典方法，具有更高的實際應(yīng)用價值。